الذكاء الاصطناعي في العلوم: لماذا الشبكات العصبية لم تستحق المعطف الأبيض بعد

استمع، لنكن صادقين: بينما نناقش بحماس كيفية أن نموذج اللغة التالي كتب كوداً أو ألّف شعراً، الأمور بعيدة كل البعد عن أن تكون وردية في المختبرات الفعلية. يوجد اتجاه عصري — الذكاء الاصطناعي للعلم، أو AI4S. كان المفروض أن يقلب فهمنا للكيمياء والفيزياء وعلم الأحياء رأساً على عقب. لكن إذا نظرت عن كثب، فإن النماذج "الذكية" الحالية لا تزال بعيدة جداً عن أن تُسمى علماء حقيقيين. إنها تشبه أكثر طلاباً متعلمين جداً حفظوا مكتبة كاملة، لكنهم يدخلون في حالة ذعر عندما يُسلّم إليهم أنبوب اختبار.

بدأ كل شيء بالموجة الأولى، التي تُعرّف الآن باسم AI4S 1.0. أصبح AlphaFold من Google DeepMind النجم هنا. لقد تعامل بتفوق مع التنبؤ ببنية البروتين، وكان ذلك حقاً اختراقاً. لكن إليك المشكلة: كانت هذه نصراً للقوة الغاشمة والتعرف على الأنماط. وجد النموذج أنماطاً في مجموعة بيانات ضخمة جمعها الإنسان على مدى عقود. هذا رائع، لكنه ليس العلم بالمعنى الكلاسيكي تماماً. العلم ليس مجرد البحث عن التطابقات — إنه فهم السبب في أن العالم يعمل بهذه الطريقة وليس بطريقة أخرى.

تكمن المشكلة الرئيسية مع النماذج الأفضل الحالية في أنها تعيش في عالم من الكلمات والبكسلات، وليس الذرات والقوى. يسمي العلماء هذا بغياب فهم "المبادئ الأولى". عندما تطلب من الذكاء الاصطناعي تصميم مادة جديدة، يبدأ في دمج البيانات التي يعرفها. لكنه لا يشعر بقوانين الديناميكا الحرارية أو ميكانيكا الكم بالطريقة التي يشعر بها الفيزيائي. في النتيجة، نحصل على هلوسات تبدو وكأنها أوراق علمية لكنها تنهار عند أول محاولة للتحقق منها في الواقع. لا يستطيع النموذج ببساطة التفكير ضمن قيود فيزيائية صارمة.

الآن، تسعى الصناعة بقلق للعثور على الطريق نحو AI4S 2.0. لم تعد مسألة "مزيد من البيانات" أو "مزيد من وحدات معالجة الرسومات" ببساطة. إنها مسألة تغيير البنية الأساسية لفكر الآلات. نحتاج إلى ما تسميه الصين "الذكاء العلمي" — أنظمة تحتوي على القوانين الفيزيائية منذ البداية. تخيل شبكة عصبية لا تستطيع إنتاج إجابة تنتهك قانون الحفاظ على الطاقة ببساطة لأن بنيتها الرياضية لا تسمح بذلك. هذا تحول أساسي من التخمين الاحتمالي إلى الاستدلال الاستنتاجي.

علاوة على ذلك، يتطلب العلم الحقيقي الاستقلالية. نحن نتحرك نحو مفهوم "المختبرات المغلقة"، حيث لا تكتفي الذكاء الاصطناعي بتقديم المشورة بل تخطط التجربة بنفسها، وتتحكم في معالجات الروبوت وتصحح نظريتها بناءً على الإخفاقات المحققة. تكره نماذج اللغة الكبيرة الحالية الخطأ — فهي تحاول إرضاء المستخدم. العالم الحقيقي يعرف أن النتيجة السلبية هي أيضاً نتيجة. إلى أن نعلم الذكاء الاصطناعي تقدير الأخطاء والاستفادة منها بشكل منطقي، سيبقى مجرد لعبة مكلفة في أيدي الباحثين.

هناك أيضاً مشكلة البيانات. لتدريب GPT-4، استخدموا تقريباً الإنترنت كله. لكن في العلم، البيانات نادرة ومجزأة وغالباً ما تكون مقفلة في أرشيفات الشركات. لكي يصبح AI4S 2.0 حقيقة واقعة، نحتاج إلى تعليم النماذج التعلم من عينات صغيرة وتوليف البيانات من خلال المحاكاة. هذا تحدٍ ضخم للمهندسين، والآن من غير الواضح من سيكون الأول في إيجاد هذا المفتاح. لكن شيء واحد واضح: جائزة نوبل القادمة التي تشارك فيها الذكاء الاصطناعي لن تُمنح مقابل "نصوص جميلة"، بل مقابل فهم جوهر المادة ذاته.

النقطة الأساسية: الذكاء الاصطناعي الحالي أمين مكتبة عبقري لكنه باحث متوسط. هل سيتمكن مفهوم AI4S 2.0 من تحويل الشبكات العصبية إلى باحثين مستقلين، أم أننا سنواجه سقفاً حيث تكون الآلات غير قادرة بشكل أساسي على نقلات حدسية؟